Claude Sonnet 5.5 sobre Esforço Extra: Por que a alegação do "Próximo Modelo Claude" falha nos próprios testes

Às 12:44 UTC de 5 de novembro, uma conta do X chamada @chetaslua publicou uma frase que vem circulando em várias formas desde outubro: "Sonnet 5.5 Extra parece roteamento para o próximo modelo Claude." Na manhã seguinte, a publicação tinha 20.900 visualizações, 384 curtidas e 38 respostas. O modelo que ela nomeia é um que você pode chamar hoje — Claude Sonnet 5.5, lançado em 28 de setembro por US$ 2 e US$ 10 por milhão de tokens. A palavra "Extra" não é um segundo modelo. É o segundo nível mais alto do menu de esforço do Claude, que a Anthropic rotula como Extra high e a API chama de xhigh.

Dois testes são oferecidos como evidência: uma pergunta sobre para onde Andrej Karpathy foi em 2026, e um pelicano numa bicicleta desenhado inteiramente em SVG. Ambos os testes passam no modelo que a Anthropic lançou em setembro. É aí que está toda a dificuldade da alegação. Um teste verifica um fato que cai um mês dentro do período do Claude Sonnet 5.5 — mais precisamente, em sua própria janela de treinamento. O outro mede uma quantidade que a configuração Extra existe para aumentar. Nenhum dos dois consegue separar "um modelo melhor respondeu" de "a configuração que escolhi fez o que sua documentação diz que faz."

Isso não torna o post inútil. Torna-o um exemplar límpido de um teste que parece decisivo e não é — e as duas jogadas que ele usa, uma sondagem de conhecimento e uma comparação de tamanho de saída, são as mesmas duas jogadas por trás da maioria das alegações de roteamento neste outono. Examiná-las é mais útil do que mais uma rodada de especulação sobre o que a Anthropic não anunciou.

O que foi realmente postado

A publicação descreve uma única sessão de chat e dois prompts. O primeiro perguntava para onde Karpathy tinha ido em 2026 e instruía o modelo a não usar a web; a resposta dizia que ele entrou na Anthropic em maio de 2026, na equipe de pré-treinamento. O segundo pedia “pelicano andando de bicicleta o mais realista que você conseguir apenas com código”, e o resultado é descrito como 26.599 elementos SVG, cerca de 6.500 traços de penas, nenhuma imagem incorporada, data URI ou script, e 1.860 linhas de Python. A partir dessas duas trocas, o autor da publicação conclui que o rótulo está servindo a algo mais novo do que o modelo que ele nomeia.

Nada o acompanha. Nenhum identificador de modelo, nenhuma tabela de preços, nenhum cartão de sistema, nenhuma declaração da Anthropic. O sucessor a que ele alude tem circulado sob vários nomes desde outubro, nenhum deles da Anthropic e nenhum deles invocável. A própria lista de modelos da Anthropic, consultada hoje, traz quatro modelos atuais: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 e Claude Haiku 5.5. Não há uma quinta linha, e nenhum identificador em lugar algum da publicação que um leitor pudesse testar.

O que é o "Extra", antes de se tornar um mistério

O menu de esforço nos apps do Claude lista cinco níveis — Baixo, Médio, Alto, Extra alto (xhigh) e Máximo — com o nível recomendado pelo modelo marcado como Padrão. “Extra” é como as pessoas abreviam o quarto. A própria referência da Anthropic descreve o xhigh como capacidade estendida para trabalho de horizonte longo, voltada a “tarefas agênticas e de programação de longa duração (mais de 30 minutos) com orçamentos de tokens na casa dos milhões”. Ou seja, é o fornecedor avisando antecipadamente que esse nível foi feito para consumir muito mais do que o nível abaixo dele.

O nível também é calibrado por modelo, não globalmente. A nota de migração da Anthropic para esta geração diz claramente que os níveis de esforço do Claude Sonnet 5.5 foram recalibrados — um nível "não produz a mesma quantidade de raciocínio que produzia no Claude Sonnet 5" — e orienta os desenvolvedores a refazer sua varredura de esforço em vez de transferir uma configuração. Duas consequências decorrem disso, ambas entediantes e ambas fatais para a inferência. Uma solicitação em Extra no Sonnet 5.5 não é a mesma solicitação que em Extra no seu antecessor, então "parece diferente do que eu me lembro" é esperado. E girar um botão de High para Extra é uma instrução para gastar mais tokens, portanto um desenho mais longo, denso e elaborado é o resultado solicitado.

Há mais um detalhe superficial que vale esclarecer, porque é aí que os rótulos deixam de coincidir. O esforço padrão da API do Claude para este modelo é alto; o padrão do Claude Code para o mesmo modelo é médio. Uma resposta do app no Extra, uma resposta da API no padrão dela e uma resposta do Claude Code no padrão dele são três configurações diferentes de um mesmo modelo. Comparar quaisquer duas delas e concluir que surgiu um novo modelo é comparar padrões, não checkpoints.

Teste um: um fato de maio verificado em relação a um corte de junho

A pergunta sobre Karpathy é a mais forte das duas sondagens, porque, ao contrário da maioria desses testes, sua resposta pode ser verificada no registro público. E confere. Karpathy anunciou no X em 19 de maio de 2026 que havia ingressado na Anthropic; ele começou naquela semana na equipe de pré-treinamento, subordinado a Nick Joseph, e disse que montaria uma equipe focada em usar Claude para acelerar a pesquisa em pré-treinamento. A resposta descrita no post — ingressou na Anthropic, maio de 2026, equipe de pré-treinamento — está correta.

A precisão é o problema. O corte de conhecimento confiável do Claude Sonnet 5.5 é junho de 2026, e seu corte de dados de treinamento é o mesmo. A contratação aconteceu aproximadamente um mês antes dessa linha. Um Claude Sonnet 5.5 lançado, questionado com a web desativada, deveria responder a isso, e responder a isso é o que sua documentação prevê. O teste produziu o resultado nulo e foi interpretado como a descoberta.

Vale a pena ser preciso sobre o que uma sonda de conhecimento pode e não pode fazer, porque é aí que a maioria dessas afirmações dá errado:

• Uma resposta correta sobre um evento anterior ao corte é pouco informativa. Todos os modelos da linha foram treinados sobre ele.

• Uma resposta incorreta teria sido informativa — na direção oposta. Se um modelo que deveria saber de uma contratação de maio de 2026 nega isso, trata-se de evidência de um checkpoint diferente e mais fraco, não de um mais forte e não anunciado.

• Apenas um fato posterior ao corte discrimina. Um fato publicado depois de junho de 2026, sobre o qual nenhum modelo da linha atual poderia ter sido treinado, é o único tipo de pergunta que separa um checkpoint novo de um antigo. Karpathy publicou um relato de workflow em seu próprio blog em 2 de novembro. Perguntar sobre o conteúdo dele com a web desativada teria sido um teste de verdade. Perguntar para onde ele foi em maio não era.

Teste dois: uma contagem de pelicanos que mede a verbosidade

O prompt do pelicano é a avaliação ad hoc de longa data do Simon Willison, e ele a executou com o Claude Sonnet 5.5 em 28 de setembro, no dia em que o modelo foi lançado. Seus resultados publicados são a linha de base útil aqui, porque são datados, atribuídos e medidos, em vez de contados a olho.

• No esforço máximo — um nível acima do usado na publicação — o modelo gastou 128.000 tokens de saída, atingiu o limite, custou US$ 1,28 e não produziu nenhum SVG.

• Em {{1}}xhigh{{/1}} — o nível que o post chama de {{2}}Extra{{/2}} — o mesmo modelo produziu um pelicano em 41 segundos por 5,74 centavos.

Leia essas duas linhas em conjunto e o segundo teste do post cai por terra. O modelo lançado no Extra já desenha o pássaro — essa é a execução de 41 segundos e 5,74 centavos —, então um pássaro no Extra não é anômalo. O modelo lançado um nível acima do Extra não desenha absolutamente nada, então, nesta tarefa, o ajuste de esforço é a variável dominante por uma margem ampla, e o ajuste de esforço é a única coisa que o post mudou. Um resultado que muda com a configuração que você alterou é evidência sobre a configuração.

A contagem de elementos merece uma aritmética própria, porque é o número com maior probabilidade de se repetir. A Anthropic afirma que 1 milhão de tokens equivale a aproximadamente 2,5 milhões de caracteres no tokenizador atual. Se 26.599 elementos tivessem, em média, 40 caracteres cada — um número conservador quando se incluem dados de caminho e atributos —, o desenho teria cerca de 1,06 milhão de caracteres, ou aproximadamente 424.000 tokens. Isso é mais de três vezes o teto de saída síncrona de 128.000 tokens e também está acima do teto de lote de 300.000 tokens. Se os elementos tivessem, em média, sete caracteres, a mesma quantidade caberia confortavelmente em cerca de 74.000 tokens.

Assim, a contagem é limitada pela densidade de marcação, não pela força do modelo, e um modelo mais conciso apresenta um número maior. A própria descrição do post aponta para a leitura mais provável: 1.860 linhas de Python aparecem no mesmo chat, e um script que itera sobre penas pode emitir 26.599 elementos sem que o modelo escreva 26.599 elementos. O post não diz se esse código desenhou o pelicano ou se foi um artefato separado, que é exatamente o detalhe de que um leitor precisaria. O que se pode dizer sem o arquivo é que a contagem de elementos é uma medida de verbosidade em um nível cuja função documentada é produzir mais.

A única linha genuinamente interessante na descrição é a negativa: nenhuma imagem incorporada, nenhum URI de dados, nenhum script. Um pelicano com esse nível de detalhe construído apenas a partir de primitivas vetoriais é um resultado de verdade. No entanto, é um resultado sobre a qualidade da saída, e a qualidade da saída em uma configuração de esforço mais alto é a coisa menos surpreendente que um modelo pode entregar.

A única forma documentada de um Claude diferente responder

Nada disso prova que a Anthropic jamais atenderia uma requisição sob um único rótulo com pesos diferentes. O que isso significa é que a alegação precisa explicar os mecanismos que a Anthropic de fato documenta, e ambos apontam na direção contrária.

O primeiro é o fallback de recusa. Uma solicitação recusada retorna HTTP 200 com stop_reason: "refusal" e um objeto stop_details indicando a área da política. O fallback do lado do servidor, definido com fallbacks: "default" e em beta na Claude API, tenta novamente recusas de cyber e frontier_llm no Claude Sonnet 5 — o modelo mais antigo e mais barato. Esse é um caso documentado de uma solicitação ao Sonnet 5.5 sendo respondida por outro modelo, e é um downgrade que se anuncia na resposta.

O segundo é a vinculação de blocos de pensamento. Os blocos de pensamento registram qual modelo os produziu e, quando uma conversa passa para um modelo que não consegue lê-los, a API os descarta antes que o modelo veja a solicitação, informando o descarte em input_transformations quando o cabeçalho beta está definido. Isso é a API dizendo que o modelo de serviço mudou. Nenhum dos dois mecanismos promove uma solicitação claude-sonnet-5-5 para um modelo mais forte e não anunciado sob a mesma string.

A ausência de um mecanismo não é prova de que nada esteja acontecendo. É, no entanto, o padrão que a alegação precisa cumprir: uma história de roteamento que só descreve uma melhoria tem de explicar por que o único caminho que a Anthropic publica desce a ladeira e deixa um recibo.

A coisa mais próxima de uma verificação externa é o índice que avaliadores independentes executam contra o modelo que a Anthropic disponibiliza. O Artificial Analysis lista o Claude Sonnet 5.5 com 55 no seu Intelligence Index v5.0.1, nono entre 69 modelos, contra uma mediana de 37. Essa é uma leitura da string conforme servida hoje, e é a superfície na qual um checkpoint materialmente mais forte escondido sob o mesmo nome seria esperado aparecer eventualmente.

Como seria um teste que poderia resolver isso

Se você quer saber se o rótulo à sua frente está sendo servido por outra coisa, o experimento não é difícil. Só é menos divertido do que postar um pelicano.

Fixe o identificador, não o rótulo. Chame claude-sonnet-5-5 com um valor de esforço explícito, para que a solicitação seja a mesma todas as vezes. Um rótulo em um menu é uma superfície do produto; um identificador é um alvo.

• Amostre mais de uma vez. Uma resposta em um único nível é uma anedota. Dez em high e dez em xhigh, mesmo system prompt, mesmo max_tokens, fornecem duas distribuições. O esforço produz um deslocamento suave e monotônico no comprimento da saída. Um checkpoint diferente tende a produzir uma descontinuidade no conteúdo que o comprimento não explica.

• Use um fato posterior ao corte. Um corte em junho de 2026 significa que tudo publicado depois de junho serve e tudo antes disso é inútil como sonda. Esta é a única mudança que teria feito valer a pena executar o teste de 5 de novembro.

• Leia o objeto de resposta e depois o desconsidere. Os campos model, usage, stop_reason e stop_details valem a pena ser registrados, e um fallback de recusa está visível ali. Mas esses campos apenas repetem o que o servidor diz ter feito. Eles são uma afirmação, não uma inspeção — a mesma categoria de evidência que pedir a um modelo que descreva a si mesmo.

• Calcule o custo antes de executar. A US$ 2 e US$ 10 por milhão de tokens, uma resposta de 128.000 tokens custa US$ 1,28, que é o valor de Willison e também apenas a tabela de preços. Vinte respostas permitidas até o limite custam cerca de US$ 25.

Quais custos extras enquanto você espera por uma resposta

Há uma questão prática por trás do boato que não depende de resolvê-lo. O Claude Sonnet 5.5 cobra o raciocínio como saída, o raciocínio conta para max_tokens, e o Extra está documentado para orçamentos de tokens na casa dos milhões. Uma única resposta que gasta um milhão de tokens de saída custa US$ 10 apenas no lado da saída, com uma tabela de preços que muitas equipes escolheram justamente por ser a faixa barata.

• Um nível acima do Extra, a execução medida do pelicano atingiu o limite de 128.000 tokens e custou $1.28 sem produzir um desenho. O custo de uma solicitação com falha neste modelo não é zero.

• Um nível abaixo, a mesma tarefa foi concluída em 41 segundos por 5,74 centavos. A diferença entre os dois é de mais de vinte vezes, e é definida por um menu suspenso.

Uma equipe executando 1.000 solicitações Extra por dia a 30.000 tokens de saída cada uma está gastando 30 milhões de tokens de saída por dia, ou US$ 300, antes mesmo de a entrada ser contabilizada.

Essa é a parte sobre a qual um leitor pode agir hoje, independentemente do que a Anthropic lançar em seguida. Se o Extra for um modelo diferente, o ganho inesperado é real, mas impossível de planejar. Se o Extra for o que o nome diz, então uma carga de trabalho que não foi avaliada nos níveis high e medium está pagando por um rigor que ninguém mediu.

O OrcaRouter encaminha Claude Sonnet 5.5 a US$ 2 e US$ 10 do próprio fornecedor, sem acréscimo, e o esforço é um parâmetro por requisição, e não um contrato separado, então uma varredura de esforço entre os patamares é um loop em um script. Essa também é a defesa honesta contra uma afirmação como esta: fixe o identificador de modelo que você quis dizer, execute o mesmo prompt em cada patamar e compare suas próprias contagens de tokens em vez de uma captura de tela. Quando uma questão de roteamento não pode ser resolvida de fora, a segunda melhor opção é uma configuração em que a resposta seja mensurável no seu próprio tráfego — e em que o failover para high ou para um modelo diferente seja uma mudança de configuração, e não uma migração.

O que mudaria esta página

Um identificador de modelo, uma tabela de preços, um cartão de sistema ou uma frase da Anthropic nomeando o sucessor. Qualquer um deles resolve a questão em uma tarde, e nenhum deles existe hoje. Até que um exista, a descrição honesta da coisa por trás do rótulo é a que a Anthropic publica: Claude Sonnet 5.5, uma data de corte de junho de 2026, cinco níveis de esforço e um motivo documentado para acreditar que um pelicano maior em um nível mais alto é um pelicano maior em um nível mais alto.

O próprio enquadramento do post entrega o jogo. Ele compara o Extra com uma expectativa, não com uma medição — o mesmo nível no Sonnet 5, ou o mesmo nível no máximo, ou uma linha de base publicada da semana de lançamento. Essas comparações existem e são baratas. Até alguém executá-las, "parece roteamento" é a descrição de um menu suspenso fazendo o seu trabalho.